[AI新規事業創出]Qualitegが考える、アイディア創出の5つのステップとは

アイディア創出についての悩みを持つ多くのクライアントへ、アイディア創出のための5つのステップを解説します。初めに、アイディアを創出する目的を明確に設定し、それに基づいてアイディアを創造、深堀、サービス設計、ビジネスモデル設計、そして評価の順に進めます。このプロセスは、単にアイディアを出すだけでなく、実際に事業として成立するかを検証し、事業責任者との事前合意に基づく目的に沿ったアイディアを選定することを目指します。

[AI新規事業創出]Qualitegが考える、アイディア創出の5つのステップとは

Qualiteg blogを訪問してくださった皆様、こんにちは。Micheleです。AIを活用した新規事業やマーケティングを手がけている私には、クライアントからよく寄せられる質問があります。AIを用いた事業展開を検討されている方々が共通して直面するであろう課題に対して、このブログを通じて私なりの解答をご提供したいと思います。


改めてアイディア創出と言われても何から手を付けたらいいかわからないんだけど

そのようなお悩みをお抱えのクライアントが非常に多くご相談をいただきます。本日はアイディア創出ブレスト以外の手法も含めて、アイディア創出の5つのステップについて解説させていただきます。

自分は良い思い付きがある!アイディアマンだとおっしゃる方も多いのですが、アイディアを早急に出したいという気持ちをここでは少し抑えていただき、まず初めに

何のためにアイディアを創出するのか

という明確な目的を設定してください。

もちろん、新規事業を創出するためにアイディアを創出するんだよ

という声が聞こえてきそうですが、「事前に事業責任者と合意した、新規事業立ち上げの目的」に立ち戻りましょう。

本ブログで毎回例に挙げている電動自転車スタートアップを例とした場合、今回の新規事業開発の目的は

「新UX創出」として、「自社のターゲットユーザーである都市部で働くビジネスマンの生活充実度を向上させるサービスを市場導入することをゴールとする」

ですので、ここから離れないように、あくまでも、新規事業を創出するゴールはここであるということを念頭に置いてください。

真のイノベーションには、それを担う人材の力が不可欠です。株式会社Qualitegの Innovation-Crossは、共創による価値創出とともに、企業内のイノベーション人材育成も支援するプログラム。アイデアワークショップやハッカソン企画を通じて社員の創造性と協働力を引き出し、オープンイノベーションやパートナー開拓の実践を通じて外部連携のスキルを養成します。

企業の現状分析をもとに、「自社だけでは難しい」革新創出の戦略を策定し、その実行プロセスを通じて人材の成長も促進。経験豊富な専門コンサルタントが、革新的な価値創造と人材育成の好循環を設計し、企業の持続的なイノベーション力を構築します。共創で創るのは、価値と人の未来です。

Qualitegが提唱するアイディア創出のための5つのステップとは

アイディアは出して終わりではありません。多くの方は、たくさんアイディアを出した後に
部長の鶴の一声などで決定されてしまう方が多く見受けられます。

その方式でもうまく進む場合もあるのですが、年度が替わり上司が変わって意見も変わる、、などでせっかく進めていた新規事業のテーマについて時間がたって差し戻しになってしまうケースが多いというのが、残念ながら私がコンサルティングをさせていただいてよく見る光景であります。

そのような壁に当たらないようにするために、Qualitegでは、以下の5ステップでアイディア創出すべきとお話しさせていただいております。

  1. アイディア創造(発散)
  2. アイディア深堀(収束)
  3. サービス設計
  4. ビジネスモデル設計
  5. アイディア評価(収束)
assorted-color pencil

まず初めに行うことは、皆さまお待ちかねの 「アイディア創造」 です。

このフェーズでは、とにかくたくさんアイディアを作ることが必要です。ブレインストーミングをされる方が非常に多く他の手法をご存じない方も多いのですが、詳細については次のコラムでご説明します。

手法はともかくこのフェーズでは ==「自由に多くのアイディアを出す」==ことに集中してください。企画だけではなく、デザイナー、エンジニアなど部署を超えて多くの方に参加していただき、Diversityを持たせた方がより幅広いアイディアが創出されます。

また、昨今では生成AIを活用してアイディアを創出するケースも多いですが、私たちもこの手法を推奨しています。

アイディアがたくさん出たら次は 「アイディアの深堀」 です。アイディアを出した段階では単なるキーワードベースのものが多く、サービス内容の具体的なイメージがわかないので、具体性を増すように深堀をすることを推奨しています。

アイディアの深堀が終われば、次は 「サービス設計」 です。ここで先ほど出たアイディアをどのようなサービスにすべきか考えます。技術的実現可能性や、サービス開発にあたって出てきた課題を検討したり、ユーザーのニーズがあるかなども含めて、簡単なユースケースが語れる程度にサービス案をまとめます。

サービスイメージがまとまりましたら、「ビジネスモデル設計」 をしましょう。せっかくニーズがありそう!と思ったアイディアもマネタイズができなければ、事業化できません。
顧客に対する本質的な価値は何か、その価値をどのように自社が提供するのか、収益源、コスト構造に加えて、サービス開発や市場導入のためのパートナー企業の必要性などもこのフェーズでは考えます。

最後に行うべきは 「アイディア評価」 です。どのアイディアを採用すべきか、事業責任者の方の顔色をうかがって決めるという方もいらっしゃるのですが、これから世に出していくサービスの潜在的な成功を事前に定義し評価するために、評価基準を用いて優劣を判断して、アイディアを決定します。

きちんと、評価基準が明確で、合理的に判断されていれば、あとで「ちゃぶ台返し」に合う確率もかなり減らせることでしょう。


コラムを最後までお読みいただき、誠にありがとうございます。私たちQualitegは、AI技術や新規事業の企画方法に関する研修およびコンサルティングを提供しております。もしご興味をお持ちいただけた場合、また具体的なご要望がございましたら、どうぞお気軽にこちらのお問い合わせフォームまでご連絡くださいませ。

また、新規事業創出のステップを体得したいという方にご好評のワークショップも実施しております。それぞれの担当者の方が役員目線で事業を考えるという点にフォーカスしたトレーニング内容となっており、企画担当者の方だけではなく、カウンターパートのエンジニア、デザイナー、マーケターの方にもご受講いただけるコンテンツとなっております。

皆様からのお問い合わせを心よりお待ちしております。次回のコラムも、ぜひご期待くださいね。


<前の記事  

Read more

発話音声からリアルなリップシンクを生成する技術 第3回:wav2vec特徴量から口形パラメータへの学習

発話音声からリアルなリップシンクを生成する技術 第3回:wav2vec特徴量から口形パラメータへの学習

こんにちは! 前回までの記事では、 * wav2vecを用いた音声特徴量抽出の仕組み(第1回)と、 * リップシンク制作における累積ドリフトの補正技術(第2回) について解説してきました。今回はいよいよ、これらの技術を統合して実際に音声から口の動きを生成する核心部分に踏み込みます。 本記事で扱うのは、wav2vecが抽出した768次元の音響特徴量を、26個の口形制御パラメータの時系列データに変換する学習プロセスです。これは単なる次元削減ではありません。音の物理的特性を表す高次元ベクトルから、人間の口の動きという全く異なるモダリティへの変換なのです。この変換を実現するには、音韻と視覚的な口形の間にある複雑な対応関係を、ニューラルネットワークに学習させる必要があります。 特に重要なのは、この対応関係が静的ではなく動的であるという点です。同じ音素でも前後の文脈によって口の形が変わり、さらに音が聞こえる前から口が動き始めるという時間的なズレも存在します。これらの複雑な現象をどのようにモデル化し、学習させるのか。本記事では、LSTMとTransformerという2つの強力なアプロー

By Qualiteg 研究部
AI時代のデータ漏洩防止の要諦とテクノロジー:第1回 AI DLPとPROXY

AI時代のデータ漏洩防止の要諦とテクノロジー:第1回 AI DLPとPROXY

こんにちは!本日はAI時代のデータ漏洩防止について、とくにその通信技術面に焦点をあてつつ、AIセキュリティにどのように取り組んでいくべきか、解説いたします。 1. はじめに 生成AIの急速な普及により、企業のデータガバナンスは新たな局面を迎えています。ChatGPTやClaudeといった大規模言語モデル(LLM)は、業務効率を飛躍的に向上させる一方で、意図しない機密情報の漏洩という深刻なリスクをもたらしています。 従業員が何気なく入力した顧客情報や営業秘密が、AIサービスの学習データとして使用される可能性があることを、多くの組織はまだ十分に認識していません。従来のDLP(Data Loss Prevention)ソリューションは、メールやファイル転送を監視することには長けていましたが、リアルタイムで行われるWebベースのAIチャットやAIエージェントとの対話で発生しうる新しい脅威には対応できていないのが現状です。 本記事では、AI時代のデータ漏洩防止において中核となる技術、特にHTTPS通信のインターセプトとその限界について、技術的な観点から詳しく解説します。プロキシサーバー

By Qualiteg プロダクト開発部, Qualiteg コンサルティング
LLM推論基盤プロビジョニング講座 第5回 GPUノード構成から負荷試験までの実践プロセス

LLM推論基盤プロビジョニング講座 第5回 GPUノード構成から負荷試験までの実践プロセス

こんにちは!これまでのLLM推論基盤プロビジョニング講座では、推論速度の定義、リクエスト数見積もり、メモリ消費量計算、推論エンジン選定について詳しく解説してきました。 今回は、残りのステップである「GPUノード構成見積もり」「負荷試験」「トレードオフ検討」について一気に解説し、最後に実際のサーバー構成例をご紹介します。 STEP5:GPUノード構成見積もり GPUメモリから考える同時リクエスト処理能力 LLMサービスを構築する際、どのGPUを何台選ぶかは非常に重要な決断です。今回はLlama 8Bモデルを例に、GPUメモリ容量と同時リクエスト処理能力の関係を見ていきましょう。 GPUメモリの使われ方を理解する ここは復習となりますが、 LLM推論においてGPUメモリは主に2つの用途で消費されます 1. モデル重みデータ: LLMモデル自体を格納するためのメモリ 2. KVキャッシュ: ユーザーとの対話コンテキストを保持するための一時メモリ Llama 8Bを16ビット精度で実行する場合、モデル重みデータは約16GBのメモリを占めます。これは固定的なメモリ消

By Qualiteg コンサルティング
発話音声からリアルなリップシンクを生成する技術 第2回:AIを使ったドリフト補正

発話音声からリアルなリップシンクを生成する技術 第2回:AIを使ったドリフト補正

こんにちは! 前回の記事では、当社のMotionVoxで使用している「リップシンク」技術について、wav2vecを用いた音声特徴量抽出の仕組みを解説しました。音声から正確な口の動きを予測するための基礎技術について理解いただけたかと思います。 今回は、その続編として、リップシンク制作における重要な技術的課題である「累積ドリフト」に焦点を当てます。wav2vecで高精度な音素認識ができても、実際の動画制作では複数の音声セグメントを時系列に配置する際、わずかなタイミング誤差が蓄積して最終的に大きなずれとなる現象が発生します。 本記事では、この累積ドリフトのメカニズムと、機械学習を活用した最新の補正技術について、実際の測定データを交えながら詳しく解説していきます。前回のwav2vecによる特徴抽出と今回のドリフト補正技術を組み合わせることで、MotionVoxがどのように高品質なリップシンクを実現しているのか、その全体像が見えてくるはずです。 累積ドリフトとは何か 基本概念 累積ドリフトとは、個々の音声セグメントが持つ微小なタイミング誤差が、時間の経過とともに蓄積していく現象で

By Qualiteg 研究部